¿Puede la inteligencia artificial impulsar la medicina de precisión personalizada en el mieloma múltiple?

×
×
¿Estás seguro que deseas eliminar este contenido de tus favoritos?

22 MAR 2022

¿Puede la inteligencia artificial impulsar la medicina de precisión personalizada en el mieloma múltiple?

 

Investigadores españoles del PETHEMA y del Grupo Español de Mieloma (GEM) han tratado de dar respuesta a la pregunta con resultados prometedores. Concretamente, han desarrollado un modelo de aprendizaje automático (AA), un tipo de inteligencia artificial, para predecir la enfermedad residual medible (ERM) indetectable al inicio del mieloma múltiple (MM).
Existe un consenso creciente de que la ERM es un nuevo parámetro para evaluar el resultado del tratamiento en el MM, y un sustituto intermedio de la supervivencia prolongada. Por tanto, la personalización del tratamiento en base a la probabilidad de que un paciente logre una ERM indetectable con un régimen en concreto podría representar un nuevo concepto en el abordaje del MM de nuevo diagnóstico (MMND).
El modelo se evaluó con datos de un total de 487 pacientes: 301 con MM activo elegibles para trasplante del ensayo GEM2021MENOS65, que integraron las cohortes de entrenamiento (152) y validación interna (149); así como 76 pacientes con mieloma quiescente de alto riesgo elegibles para trasplante del ensayo GEM-CESAR y 110 pacientes ancianos con MM no elegibles para trasplante del ensayo GEM-CLARIDEX, que fueron las cohortes de validación externa.
 
 
El modelo de AA consiguió predicciones precisas de la ERM hasta en el 72% de pacientes con MMND
 
 
Los resultados del trabajo, publicados en Clinical Cancer Research, muestran que el modelo de AA más eficiente a la hora de predecir la ERM fue el que integró datos de carga tumoral en la médula ósea y sangre periférica, de marcadores citogenéticos y de marcadores inmunitarios del microambiente del tumor.
Concretamente, el modelo consiguió predicciones precisas de la ERM en el 72% de los casos en las cohortes de validación externa. Además, la predicción de una ERM indetectable en el momento del diagnóstico identificó a un subgrupo de pacientes con MM activo que alcanzaba tasas de supervivencia libre de progresión y de supervivencia global a cinco años del 80% y del 93%, respectivamente.
Los autores concluyen que la selección de un régimen concreto en base a un posible resultado de la ERM evaluado por un modelo integrador y ponderado de AA es un nuevo concepto que podría permitir avanzar en el tratamiento personalizado en el MM. El modelo está disponible en línea para facilitar su uso en la práctica clínica.
Referencia
Guerrero C, Puig N, Cedena MT, et al. A Machine Learning Model Based on Tumor and Immune Biomarkers to Predict Undetectable MRD and Survival Outcomes in Multiple Myeloma [published online ahead of print, 2022 Jan 21]. Clin Cancer Res. 2022;10.1158/1078-0432.CCR-21-3430. doi:10.1158/1078-0432.CCR-21-3430
SC-ES-CP-00099
 

×
Proceso de indentificación vía OWA
Estamos validando tus datos, en las próximas 48h el equipo de OWA (One Key authentication) se pondrá en conctacto contigo para finalizar el proceso de registro.